Multi-subject brain decoding using deep learning techniques
Derin öğrenme yöntemlerini kullanarak çok denekli beyin okuma
- Tez No: 442205
- Danışmanlar: PROF. DR. FATOŞ TUNAY YARMAN VURAL, YRD. DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 109
Özet
Bu çalışmada çok-denekli fonksiyonel manyetik rezonans görüntüleme (fMRG) yöntemi ile elde edilen görüntüler için yeni bir analiz ve sınıflandırma metodu önerilmiştir. Beynin çok katmanlı yapısı ve derin öğrenme mimarilerinin ham veriden çok katmanlı gösterim çıkarma konusundaki başarısı göz önünde bulundurularak, tez dahilinde derin öğrenme mimarileri kullanılmıştır. İlk adım olarak Human Connectome Project (HCP) projesi kapsamında toplanan S500 veri seti kullanılarak oluşturulan derin sinir ağları gözetimsiz bir şekilde eğitilmiştir. Ön-eğitimden geçen bu ağlar tez dahilinde iki farklı çok-denekli beyin okuma deneyinde kullanılmıştır. İki deneyin de amacı kişilerin bilişsel durumlarını diğer deneklerin fMRG verilerini kullanarak sınıflandırmaktır. Birinci deneyde, ön eğitimden geçen derin sinir ağları S500 veri setinde bulunan sınıf bilgileri kullanılarak gözetimli şekilde eğitilmiş ve çok denekli beyin okuma tesi gerçekleştirilmiştir. İkinci deneyde, ön eğitimden geçen sinir ağlarından elde edilen çok katmanlı yapı kullanılarak bir başka fMRG deneyi olan obje tanıma deneyi için gösterimler elde edilmiştir. Elde edilen sonuçlar derin sinir ağlarının geleneksel makine öğrenme yöntemlerine göre çok-denekli beyin okuma deneyinde ve deneyden bağımsız gösterim elde etme konusunda daha başarılı olduğunu göstermektedir. Elde edilen bu sonuçların yanısıra, S500 deneyindeki farklı bilişsel süreçler esnasında aktif olan beyin bölgeleri derin sinir ağları ile belirlenerek görselleştirilmiştir.
Özet (Çeviri)
In this study, a new method is proposed for analyzing and classifying images obtained by functional magnetic resonance imaging (fMRI) from multiple subjects. Considering the multi-level structure of the brain and success of deep learning architectures on extracting hierarchical representations from raw data, these architectures are used in this thesis. Initially, the S500 data set collected in the scope of Human Connectome Project (HCP) is used to train formed deep neural networks in an unsupervised fashion. Then, pre-trained networks are utilized for two different multi-subject brain decoding tasks. Goal of these tasks is discriminating the cognitive state of a subject, using the fMRI data of other subjects. In the first task, brain decoding is performed by fine-tuning the pre-trained neural networks with the label information included in the S500 data set. In the second task, pre-trained networks are used to obtain hierarchical representation for object recognition data set to transfer the information between fMRI experiments. Obtained results show us that deep neural networks are more successful than traditional machine learning algorithms on multi-subject brain decoding tasks and experiment-independent representations can be obtained with deep neural networks better than factor models used in the literature. Besides, regions activated for different cognitive states of S500 data set are visualized by implementing a saliency analysis over trained deep neural networks.
Benzer Tezler
- Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting
Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma
NADA CHAARI
Doktora
İngilizce
2021
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE CAMGÖZ AKDAĞ
DR. ÖĞR. ÜYESİ ISLEM REKIK
- Supervised and unsupervised models of brain networks for brain decoding
Beyin durumu tanıma için gözetimli ve gözetimsiz olarak oluşturulan beyin ağları
ABDULLAH N.A. ALCHIHABI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
- İstanbulda konut ekonomik değerlerinin mekansal dağılımı örneklem alanı:Kadıköy yöresi
Başlık çevirisi yok
Z.VİSAL ÖKTENSOY
Yüksek Lisans
Türkçe
1995
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiPROF.DR. VEDİA DÖKMECİ
- Teknoloji destekli yürütülen üçgenler konusunun öğretim sürecinden yansımalar: Kavram imajı örneği
Reflections from the teaching process of the technology assisted triangle subject: An example of concept image
MEHMET DEMİRER
Yüksek Lisans
Türkçe
2019
MatematikZonguldak Bülent Ecevit ÜniversitesiMatematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı
DOÇ. DR. AVNİ YILDIZ
- Improving classification of eeg-based motor imagery signals with cross-subject data augmentation and attention-guided multi-domain deep learning
Denekler-arası veri artırımı ve dikkat-odaklı çok alanlı derin öğrenme yoluyla eeg-tabanlı motor imgeleme sinyallerinin sınıflandırılmasının iyileştirilmesi
MUHAMMED ENES ÖZELBAŞ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SERHAT ÖZEKES
DR. ÖĞR. ÜYESİ EMİNE ELİF TÜLAY